基于加权集成学习的车间生产进度异常预测.pdf
《基于加权集成学习的车间生产进度异常预测.pdf》由会员分享,可在线阅读,更多相关《基于加权集成学习的车间生产进度异常预测.pdf(5页珍藏版)》请在咨信网上搜索。
1、第 期 年 月组 合 机 床 与 自 动 化 加 工 技 术 .文章编号:():./.收稿日期:修回日期:基金项目:国防基础科研项目()作者简介:周海浪()男硕士研究生研究方向为智能制造().通信作者:郭宇()男教授博士博士生导师研究方向为制造物联技术、智能制造与工业大数据().基于加权集成学习的车间生产进度异常预测周海浪郭 宇张 浩王胜博刘道元金 霞(南京航空航天大学机电学院南京)摘要:准确的生产进度异常预测对于提升车间生产效率具有重要意义针对单一模型预测精度低、泛化能力弱等问题提出一种基于加权集成学习的生产进度异常预测方法 首先考虑不同模型挖掘数据和训练原理的差异确定基学习器的种类提高模型
2、的适应性和准确性其次采用遗传算法对各基学习器的权重进行优化进一步纠正基学习器的预测误差构建生产进度异常预测集成模型 实例验证表明所提方法可以准确预测出车间实际发生的生产进度异常准确度达 提升了车间生产进度异常预测精度并且在、指标上体现出更好的泛化性能关键词:加权优化生产进度异常预测集成学习中图分类号:文献标识码:():.:引言在多品种、变批量的离散制造车间中物料短缺、设备故障、紧急插单等扰动事件时有发生 在传统的制造过程中由于缺乏对车间生产运行状态的有效监控方法扰动未能及时处理影响车间生产效率和延迟生产任务完成时间 随着主动感知、自动识别、智能控制等先进技术逐步应用于离散制造车间使得车间生产运
3、行数据的采集更加快速准确这为生产进度异常预测提供了完备的数据支撑 因此通过对生产进度异常的准确预测预判未来某个时刻的生产进度与计划生产进度的偏差对触发车间资源合理配置、任务调度优化和保证订单按时交付具有重大意义近年来众多学者对生产进度异常进行了广泛研究主要方法有仿真分析、灰色理论、统计分析和机器学习等 以往研究表明相对于其他方法机器学习在车间性能预测中具有良好的应用效果 等通过构建了具有迁移学习能力的长短期记忆网络()模型来拟合数据特征的非线性关系实现生产进度预测 等针对当前订单训练数据不足导致模型预测不准确和泛化性能力差的问题提出了一种历史数据和实时状态数据驱动的双层迁移学习预测方法实现车间
4、生产进度精准预测 朱雪初等针对仿真分析法泛化能力较差的问题采用支持向量回归()算法实现晶圆加工周期预测 等构建深度自编码器回归模型学习高维数据中蕴含的车间运行规律以实现订单剩余时间的准确预测 等针对物理模型难以准确描述非线性关系的问题提出了一种基于极限梯度提升()树模型实现产能预测 在上述基于机器学习的预测方法中只是采用了单一模型进行生进度异常预测 由于影响生产进度的因素具有多样性和车间环境的复杂性若使用单一模型可能由于数据的随机性而导致泛化性能不佳为了解决单一模型存在的不足多模型集成学习方法在其他领域的预测问题上已有应用李飞飞等采用 集成学习对 神经网络子模型进行融合提高了模型的预测精度和泛
5、化能力 韩腾飞等提出了融合多个相异模型的集成学习方法用于设备剩余使用寿命预测有效解决了单一预测模型性能波动较大的问题 鲁顺等针对单个模型提取特征多样性不足的问题采用集成学习构建更具泛化能力和可靠性的轴承健康因子提高轴承剩余寿命预测精度以上研究表明集成学习方法在处理预测问题时具有一定的优势但在生产进度异常预测方面应用还较少基于上述分析面对离散制造过程中复杂的车间环境和海量、多源的制造数据提出一种基于加权集成学习的车间生产进度异常预测方法 通过关联性分析选择差异度较大的模型作为集成学习的基学习器从不同的数据结构和数据空间角度观测数据使集成模型更具多样性适应复杂的车间环境采用遗传算法()优化基学习器
6、权重并进行加权集成以实现更高的预测精度和更好的泛化性能满足车间生产进度异常精准预测的需求 问题描述生产进度异常是指车间实际生产进度与计划产生的偏差不在规定的阈值范围内 根据此定义准确的生产进度预测是核心内容 生产进度预测是指量化一项生产任务或一个订单在未来某时刻的完成程度在对生产进度精准预测的基础上判断未来 时刻是否发生生产进度异常计算公式为:()式中:表示未来 时刻生产进度是否异常 表示异常 表示正常表示预测的生产进度表示计划的生产进度 表示阈值影响 的主要因素包括生产任务组成、历史统计数据、实时生产状态 和时间长度 的计算公式为:()()式中:()表示映射关系 影响因素量化表达如下:()生
7、产任务组成 可由各种类型工件的数量来表示计算公式为:()式中:表示第 种类型工件的需求数量()历史统计数据 指截止当前时刻 该生产任务统计到的每种类型工件已完成任务量计算公式为:()式中:表示第 种类型工件截止当前时刻统计的完工信息()实时生产状态 指当前时刻组成生产线的 个工位的实时状态包括每个工位的入缓存区、加工设备、出缓存区和流转的实时状态信息计算公式为:()式中:表示车间第 个工位在 时刻的实时生产状态 基于加权集成学习的生产进度异常预测.生产进度异常预测框架本文提出一种基于加权集成学习的生产进度异常预测框架如图 所示主要包含以下部分:()数据采集:基于车间制造执行系统获取生产任务组成
8、数据和历史过程数据基于车间部署的智能传感器、射频识别、超宽带等各类感知设备实现实时状态数据的采集()数据预处理:通过对数据进行整合建立生产进度数据集并对数据集进行归一化()单模型训练阶段:训练 个满足迭代要求的生产进度预测模型:()式中:表示第 个预测模型()多模型集成阶段:通过关联性分析选择 个基学习器确定最佳组合方式并基于 优化各基学习器权重对各基学习器进行集成计算公式为:()()式中:()表示映射关系()应用阶段:应用集成学习模型进行生产进度精准预测计算生产进度预测值和计划值的偏离程度判断是否超出阈值分析生产进度异常是否发生图 生产进度异常预测框架.基学习器选择集成学习通过将多个预测模型
9、的信息融合在一起以此来纠正单个模型的预测误差获得更优越的性能 在加权集成学习模型中需要分析各个基学习器的单独预测能力和比较不同基学习器组合的效果使得加权集成学习模型获得最佳预测效果由于车间环境的复杂性使得生产过程数据具有高维、海量、噪声等特点 立足于单一模型的预测性能考虑在处理车间生产进度数据时具有良好预测性能的模型有助于提升模型整体的预测效果 年 月 周海浪等:基于加权集成学习的车间生产进度异常预测采用长短时记忆结构具有挖掘长期依赖关系数据的特点 和随机森林()分别采用 和 的集成方式有着严谨的数学理论支撑和突出的学习能力 在处理非线性回归问题具有独特优势 因此该 种模型可作为基学习器的备选
10、方案()模型 用于解决传统循环神经网络在训练过程中通过反向传播学习时存在的梯度消失和梯度爆炸的问题 主要由遗忘门、输入门和输出门等单元组成通过使用选择性传递信息的“门”结构来实现信息的有效存储和更新 模型得到的生产进度预测结果为:()()式中:表示 时刻的序列值 表示历史时间序列长度()模型 是经过梯度提升树改进的集成树模型由若干回归树组成实现输入输出的映射 目标函数为:()()()式中:()表示预测值和真实值 之间的误差()表示控制模型复杂度的正则项 表示回归树的棵树 表示数据样本的个数 模型得到的生产进度预测结果为:()()()式中:()表示最终的模型()表示第 棵树的输出值表示树的集合空
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 加权 集成 学习 车间 生产 进度 异常 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。